CN115272248B - 一种风机姿态的智能检测方法以及电子设备 - Google Patents
一种风机姿态的智能检测方法以及电子设备 Download PDFInfo
- Publication number
- CN115272248B CN115272248B CN202210914722.2A CN202210914722A CN115272248B CN 115272248 B CN115272248 B CN 115272248B CN 202210914722 A CN202210914722 A CN 202210914722A CN 115272248 B CN115272248 B CN 115272248B
- Authority
- CN
- China
- Prior art keywords
- fan
- blade
- point
- point cloud
- projection plane
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 45
- 238000012545 processing Methods 0.000 claims description 7
- 238000000926 separation method Methods 0.000 claims description 5
- 238000009825 accumulation Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000036544 posture Effects 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 235000017166 Bambusa arundinacea Nutrition 0.000 description 4
- 235000017491 Bambusa tulda Nutrition 0.000 description 4
- 241001330002 Bambuseae Species 0.000 description 4
- 235000015334 Phyllostachys viridis Nutrition 0.000 description 4
- 239000011425 bamboo Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/55—Depth or shape recovery from multiple images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Structures Of Non-Positive Displacement Pumps (AREA)
Abstract
本发明提供了一种风机姿态的智能检测方法以及电子设备,该方法包括:将所述风机叶片点云进行拟合,得到第一叶片投影平面;将所述第一叶片投影平面的骨架进行平移,并且根据平移后的骨架得到第二叶片投影平面;基于所述第二叶片投影平面得到风机的姿态参数。解决了现有技术中风机姿态参数检测准确度差的技术问题。
Description
技术领域
本发明涉及风机智能检测,尤其是涉及一种风机姿态的智能检测方法以及电子设备。
背景技术
在控制无人机对风机进行巡检时,需要得到风机的姿态参数才能生成航线,比如风机的偏航角等。
现有技术中,往往通过无人机的录像功能,对叶片尖端点进行跟踪,在无人机盘旋过程中,当两个叶尖重合的时候认为此时云台的朝向和风机偏航面法向量垂直,进而得到风机偏航角。此种方式可实施性很低,因为录像本身存在运动模糊,且叶尖点具体在哪个像素还是某一团像素的集合无法严格定义,实际操作过程中的测量偏差会很大,因而导致风机姿态参数的检测精准性较低。
有鉴于此,提出本发明。
发明内容
本发明提供了一种风机姿态的智能检测方法以及电子设备,以解决现有技术中风机姿态参数检测准确度差的技术问题。
根据本发明的第一方面,提供了一种风机姿态的智能检测方法,所述方法包括:获取到风机叶片点云;将所述风机叶片点云进行拟合,得到第一叶片投影平面;将所述第一叶片投影平面的骨架进行平移,并且根据平移后的骨架得到第二叶片投影平面;基于所述第二叶片投影平面得到风机的姿态参数。
进一步地,根据平移后的骨架得到第二叶片投影平面,包括:将所述第一叶片投影平面的骨架沿所述第一叶片投影平面的法向量正方向平移,直至所述骨架完全脱离所述风机叶片点云;确定投影到骨架中的风机叶片点云中的目标叶片点云;将所述目标叶片点云进行拟合,得到第二叶片投影平面。
进一步地,获取到风机叶片点云包括:获取到风机点云模型,基于所述风机点云模型确定风机塔筒中心点的精确坐标;基于所述风机塔筒中心点的精确坐标进行风机塔筒分离,从而得到风机叶片点云。
进一步地,基于所述风机点云模型确定风机塔筒中心点的精确坐标,包括:将所述风机点云模型进行切分处理,得到多段点云;根据所述多段点云确定风机塔筒中心点的精确坐标。
进一步地,根据所述多段点云确定风机塔筒中心点的精确坐标,包括:将所述多段点云分别投影至平面形成多个平面二值图像;将所述多个平面二值图像进行累加,形成累加图;根据输入的风机塔筒最大直径以及最小直径构建卷积核;通过所述卷积核对所述累加图进行二维卷积运算,得到卷积结果,其中,所述卷积结果中包括多个坐标;从所述多个坐标中确认所述风机塔筒中心点的精确坐标。
进一步地,基于所述风机塔筒中心点的精确坐标进行风机塔筒分离,从而得到风机叶片点云,包括:以所述风机塔筒中心点的精确坐标为中心,输入的风机塔筒的最大直径为边长构建正方形区域;根据所述正方形区域的横纵坐标范围对所述风机点云模型进行塔筒去除,以得到剩下的点云集合;根据风机塔筒的方向生成直线将所述剩下的点云集合分成两部分点云;将两部分点云中点云数量较多的部分点云确定为风机叶片点云。
进一步地,基于所述第二叶片投影平面得到风机的姿态参数,包括:基于所述第二叶片投影平面的法向量方向得到风机的偏航角以及俯仰角。
进一步地,基于所述第二叶片投影平面得到风机的姿态参数,包括:提取所述第二叶片投影平面的多个叶片的多个子骨架;对每个子骨架进行直线检测,得到每个子骨架上的多条线段;对所述多条线段形成的多条直线采用最小二乘法求解得到风机轮毂中心点的位置,其中,所述轮毂中心点距离多条直线的距离的和最小。
进一步地,在得到风机轮毂中心点的位置之后,所述方法包括:从所述每个子骨架上分别筛选得到距离所述轮毂中心点距离最远的线段的端点,每个子骨架对应于一个端点;将所述轮毂中心点与每个子骨架的端点分别进行连线,并且从多个连线与风机竖直方向形成的多个夹角中确定风机叶片当前的转角。
根据本发明的第二方面,提供了一种电子设备,包括存储器和处理器,所述存储器上存储有计算机指令,所述计算机指令在由所述处理器执行时导致上述任一项方法被执行。
本发明提供了一种风机姿态的智能检测方法以及电子设备,该方法包括:将所述风机叶片点云进行拟合,得到第一叶片投影平面;将所述第一叶片投影平面的骨架进行平移,并且根据平移后的骨架得到第二叶片投影平面;基于所述第二叶片投影平面得到风机的姿态参数。解决了现有技术中风机姿态参数检测准确度差的技术问题。解决了现有技术中风机姿态参数检测准确度差的技术问题。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的风机姿态的智能检测方法的流程图;
图2是风机叶片点云的示意图;
图3是拟合后的第一叶片投影平面与三个风机叶片点云的关系的示意图;
图4是骨架平移之后的效果图。
具体实施方式
为了使本发明的上述以及其他特征和优点更加清楚,下面结合附图进一步描述本发明。应当理解,本文给出的具体实施例是出于向本领域技术人员解释的目的,仅是示例性的,而非限制性的。
在以下描述中,阐述了许多具体细节以提供对本发明的透彻理解。然而,对于本领域普通技术人员来说,明显的是,不需要采用具体细节来实践本发明。在其他情况下,未详细描述众所周知的步骤或操作,以避免模糊本发明。
实施例一
本发明提供了一种风机姿态的智能检测方法,风机为风机发电机,图1是方法的流程图,该方法包括:
步骤S11,获取到风机叶片点云。
具体的,本方案可以由无人机的控制器或者其它具有数据处理的设备作为本方案的方法的执行主体,风机叶片点云的示意图可以如图2所示,在图2中包括了风机的三个叶片的点云,上述风机叶片点云可以为无人机飞至风机上方采用机载激光雷通过摄影的方式得到。
步骤S13,将所述风机叶片点云进行拟合,得到第一叶片投影平面。
具体的,本方案可以将风机叶片点云先进行粗拟合,并且将风机叶片点云投影到二维平面,形成第一叶片投影平面(通过三个叶片点云拟合得到的平面),即第一叶片投影平面是根据风机叶片点云粗拟合得到,图3是拟合后的第一叶片投影平面与三个风机叶片点云的关系的示意图,在图3中既包括了拟合之后投影形成的第一叶片投影平面,又包括了三个风机叶片点云,这里需要说明的是,结合图3,在进行粗拟合之后,第一叶片投影平面并没有均匀位于叶片点云之中即所有的叶片点并非处在同一平面上,这是因为风机叶片点云本身是一个不规则的“结构体”,通过对整个结构体进行拟合的方式找到的平面必然存在一些倾斜偏移等问题,因此此时得到的第一叶片投影平面和叶片实际所在平面仍有一定差距,粗拟合得到的平面不能很好的贴合风机叶片的朝向,因此本方案在对风机叶片点云进行粗拟合之后,还进行精细调整,即执行步骤S15至步骤S17。
下面对于上述风机叶片点云投影到二维平面的过程做如下阐述:
记待投影空间点集合为{(x1,y1,z1),(x2,y2,z2),…(xi,yi,zi)}
二维投影平面法向量为V=(A,B,C),A、B、C就相当于向量中三维的坐标X、Y、Z。平面上取任意一点(x0,y0,z0),该平面的平面参数D为:
D=-(A*x0+B*y0+C*z0)
空间点(xi,yi,zi)在该平面上的投影点(Xi,Yi,Zi):
Xi=xi-A*t
Yi=yi-B*t
Zi=zi-C*t
其中,
步骤S15,将所述第一叶片投影平面的骨架进行平移,并且根据平移后的骨架得到第二叶片投影平面。
步骤S17,基于所述第二叶片投影平面得到风机的姿态参数。
这里需要说明的是,具体的,图4是骨架从第一叶片投影平面中平移之后的效果图,本方案将粗拟合之后投影形成的第一叶片投影平面通过二值图像骨架化的提取方法提取骨架,并且将骨架进行平移预设距离,然后基于平移后的骨架再得到第二叶片投影平面,这里需要说明的是,由于第二叶片投影平面是基于第一投影平面骨架得到的,因此,第二叶片投影平面相较于第一叶片投影平面更加接近于叶片实际所在的平面。因此本方案根据第二叶片投影平面得到风机的姿态参数相较于现有技术更加精准,因此,本方案解决了现有技术中风机姿态参数计算不准确的技术问题。
可选的,步骤S15根据平移后的骨架得到第二叶片投影平面,包括:
步骤S151,将所述第一叶片投影平面的骨架沿所述第一叶片投影平面的法向量正方向平移,直至所述骨架完全脱离所述风机叶片点云。
可选的,结合图4,本方案将提取到的第一叶片投影平面的骨架点沿平面法向量正方向平移20米,直至所述骨架完全脱离所述风机叶片点云,因为脱离后的骨架点更加清晰,基于此得到的目标点云更加准确。
步骤S152,确定投影到骨架中的风机叶片点云中的目标点云。
需要说明的是,本方案可以在风机叶片点云中找到投影到骨架中的点云,并且将其确定为目标点云。通过上述步骤,本案首先将风机叶片所有点投影到第一平面上(即形成第一叶片投影平面),该投影平面为叶片形状的二维图形,对该二维图形进行骨架提取可以得到三个叶片在二维投影上的骨架点,再将这些骨架点按照上述投影的方式进行反向投影找到其在叶片点云上对应的点,将这些点确定为目标点云。
可选的,为了使得目标点云更加精确,本方案可以先找到可以投影到骨架中的第一叶片投影平面上的投影点,然后将距离风机叶片点云距离小于预设长度的投影点确定为目标投影点,然后将投影到目标投影点的叶片点云确定为目标点云。
步骤S153,本方案将所述目标叶片点云进行拟合,得到第二叶片投影平面。
具体的,由于上述目标叶片点云是根据骨架点云还原的风机叶片点云中的部分点云,相较于风机叶片点云,目标叶片点云去除了大量的干扰点云,因此,本方案通过两次拟合(步骤S13中的粗拟合+步骤S153中的细拟合),得到的第二叶片投影平面,更加符合叶片的实际平面,从而基于第二叶片投影平面生成的风机姿态参数更加精确。
可选的,步骤S11获取到风机叶片点云包括:
步骤S111,获取到风机点云模型,基于所述风机点云模型确定风机塔筒中心点的精确坐标。
具体的,本方案可以通过如下方式获取到风机点云模型:首先制定风机建模航线,建模航线围绕风机,在风机上方将圆周十二等分点作为拍照点,无人机按建模航线飞行拍照获得12张不同角度有重叠的风机点云图片,然后使用三维重建方法,根据12张风机图片对风机进行建模,得到风机点云模型,然后基于风机点云模型来确定风机塔筒中心点的精确坐标。这里需要说明的是,本方案可以预先获取到风机的尺寸参数,比如风机叶片的长度,厚度等,然后根据风机实际的尺寸参数来对风机上风的不同的圆周进行等分,即风机实际的尺寸参数不同,在规划建模航线时,风机上方的圆周的等分就不同,通过此种方式,根据获取到的风机的尺寸参数来确定建模航线,可以实现风机建模航线最短并且拍照效果最好,从而在风机建模航线最短的情况下,拍照最全,从而得到的风机模型更加精确。
下面针对于上述三维重建的技术细节做如下阐述:
三维重建的过程主要可以分为两个步骤,SFM和MVS。
其中SFM(Structure From Motion)是使用一系列图片重建出拍照场景三维结构的方法,其输入是对相同物体不同视角的有序图片,相邻图片之间有一定的重叠区域,输出是物体的三维结构和各个拍照点相机的内外参数,典型的SFM系统工作流程可以分为三个阶段:特征检测和提取,特征匹配和几何验证,物体结构和相机运动重建,通过这一步骤可以得到各图像中互相匹配的特征点在三维空间中的位置,生成稀疏点云。
MVS(Multi View Stereo)在SFM的输出结果的基础之上计算每张照片中的每个像素的深度和法线信息,融合深度图和法线图生成拍摄场景的稠密点云。
步骤S113,基于所述风机塔筒中心点的精确坐标进行风机塔筒分离,从而得到风机叶片点云。
具体的,上述风机塔筒中心点为风机塔筒底座的中心点,本方案可以基于上述中心点对风机塔筒分离,即去掉塔筒,留下风机叶片点云,使得后续针对风机叶片点云的计算更加精确。
可选的,在上述获取到风机点云模型之后,基于所述风机点云模型确定风机塔筒中心点的精确坐标之前,本方案还包括:
根据粗略的风机塔筒中心点,轮毂高度,叶片长度,对风机点云模型进行裁剪,保留以轮毂为中心,两倍叶片长度为边长的正方体区域,去除风机本体以外的多余部分,从而减小计算量,提高数据计算效率。
可选的,步骤S111基于所述风机点云模型确定风机塔筒中心点的精确坐标,包括:
步骤S1110,将裁切的点云以预设长度为精度进行量化。
具体的,本方案可以将点云以0.5米为精度进行量化,即将0.5米长度内点云集合视作是一个点云,方便后续的计算。
步骤S1111,将所述风机点云模型进行切分处理,得到多段点云。
步骤S1112,根据所述多段点云确定风机塔筒中心点的精确坐标。
具体的,本方案可以从最低点开始自下到上每隔预设距离(比如1米)高度对点云进行切分,得到多段切分点云,然后根据多段切分点云来确定风机塔筒中心点的精确坐标。
可选的,步骤S1112根据所述多段点云确定风机塔筒中心点的精确坐标,包括:
步骤S11121,将所述多段点云分别投影至平面形成多个平面二值图像。
步骤S11122,将所述多个平面二值图像进行累加,形成累加图;
步骤S11123,根据输入的风机塔筒最大直径以及最小直径构建卷积核。
步骤S11124,通过所述卷积核对所述累加图进行二维卷积运算,得到卷积结果,其中,所述卷积结果中包括多个坐标。
步骤S11125,从所述多个坐标中确认所述风机塔筒中心点的精确坐标。
具体的,对于每段切分的点云(每段切片点云),都分别投影到平面,形成多个投影平面图像,每个投影平面图像可以为一个塔筒的截面,然后将多个截面进行累加,形成累加图,由于塔筒区域的垂直投影重叠度较高,累加图对应的塔筒位置可得到一明显的圆环,然后本方案对累加图进行阈值化处理,得到累加图的二值图像。然后本方案从风机的施工信息中获取到风机塔筒最大直径max_pillar以及最小直径min_pillar,并且根据两个直径构建环形卷积核F。本方案使用上述环形卷积核对上述累加图的二值图像进行卷积运算,从而得到卷积结果,卷积结果中包括多个坐标,然后本方案从多个卷积结果中响应最强的点转换通用坐标,最终得到所述风机塔筒中心点的精确坐标。
需要说明的是,对于多段切分的点云,每个点的Z坐标的最大值可以被直接确认为风机机舱最高点。
还需要说明的是,在现有技术中,往往通过从风机的建筑图纸或者施工信息来得到坐标,但是此种方式得到的风机塔筒中心点的坐标和实际存在一定偏差,准确性较差,本方案通过多段点云确定得到的塔筒中心点的坐标的方式更为精准。
可选的,步骤S113基于所述风机塔筒中心点的精确坐标进行风机塔筒分离,从而得到风机叶片点云,包括:
步骤S1131,以所述风机塔筒中心点的精确坐标为中心,输入的风机塔筒的最大直径为边长构建正方形区域。
步骤S1132,根据所述正方形区域的横纵坐标范围对所述风机点云模型进行塔筒去除,以得到剩下的点云集合。
步骤S1133,根据风机塔筒的方向生成直线将所述剩下的点云集合分成两部分点云。
步骤S1134,将两部分点云中点云数量较多的部分点云确定为风机叶片点云。
具体的,去除塔筒后,剩下的点云集合实际包括了叶片点云以及机舱的点云,为进一步提升计算的准确性,本方案顺着风机塔筒的方向生成直线将剩下的点云集合分成两部分点云,并且将点云较少的部分确定为机舱尾部,将点云较多的部分确定为风机叶片点云,并抽取出来,以得到最终的风机叶片点云,通过此种方式进一步提高了叶片点云抽取的准确性。
可选的,步骤S17基于所述第二叶片投影平面得到风机的姿态参数,包括:
步骤S171,基于所述第二叶片投影平面的法向量方向得到风机的偏航角(yaw)以及俯仰角(pitch)。
具体的,第二叶片投影平面的法向量法向量为V2,上述偏航角以及俯仰角可以通过如下公式来生成:
需要说明的是,上述V2[0],V2[1],V2[2]分别代表法向量中的X、Y、Z三个坐标。
在一种可选的实施例中,第二叶片投影平面的法向量可以记为(X,Y,Z),法向量在水平方向投影与正北方向的角度即为偏航角,法向量在上-北平面投影与竖直向下方向的夹角即为俯仰角。
可选的,步骤S17基于所述第二叶片投影平面得到风机的姿态参数,包括:
步骤S172,提取所述第二叶片投影平面的多个叶片的多个子骨架;其中,每个叶片对应一个子骨架;
步骤S173,对每个子骨架进行直线检测,得到每个子骨架上的多条线段;
步骤S174,对所述多条线段形成的多条直线采用最小二乘法求解得到风机轮毂中心点的位置,其中,所述轮毂中心点距离多条直线的距离的和最小。
具体的,假定风机有三个叶片,理论上多个字骨架的交点就是风机轮毂中心点,但是由于图像处理会和实际产生差别,所以三个子骨架并不会正好相交于一点,因此,本方案则在三个子骨架中进行直线检测,每个子骨架上都会形成多个线段,每个线段的方向也不同,本方案则让每个线段都形成直线,并且统计不同的点到每条直线的距离的和,并且把到每条直线的距离的和最短的点确定为风机轮毂中心点,通过此种方式,可以精确的得到风机轮毂中心点的位置。通过本实施例求得的轮毂中心点距离每条直线的距离都是最近的,因此保证了中心点的准确性。
步骤S175,从所述每个子骨架上分别筛选得到距离所述轮毂中心点距离最远的线段的端点,每个子骨架对应于一个端点。
步骤S176,将所述轮毂中心点与多个子骨架的多个端点分别进行连线,并且从多个连线与风机竖直方向形成的多个夹角中确定风机叶片当前的转角。
具体的,由于实际风机叶片的几何形状并不是规则的结构体,因此通过距离所述轮毂中心点距离最远的线段的端点与轮毂中心来计算得到的风机的转角相对更加准确。
更为具体的,本方案可以使用霍夫变换方法对上述骨架(三个叶片对应三条骨架)进行直线检测,从而得到骨架上的直线以及端点。为了确定转角,需要找到轮毂中心点,即旋转中心,两条直线可以确定一个点,当前条件下,检测到的多条直线不一定会相交于同一个点,待求解的是一个超定方程,因此使用最小二乘法来求解中心点,使得解出的中心点到各条直线的距离尽可能近,从而保证中心点的准确性。
采用最小二乘法计算轮毂中心点的具体方式可以为如下:
设有n条二维直线,其中第i条直线的起点为(xi,yi),方向为(ni,vi),G_l为n*2×2维矩阵,G_r为n*2×n维矩阵,G_r矩阵的第k列的2*k到2*(k+1)行元素分别为-ni,-vi,G_l为n个2×2单位阵叠加,G_l和G_r叠加为n*2×2+n维矩阵G,n条直线的n个点排列成n*2×1维矩阵d,中心点m计算方式为:
m=(GTG)-1GTd
GT为矩阵G的转置矩阵。在确定中心点后,从每条检测线(线段)的起点和终点中保留距离中心点最远的点,将距离中心点最远的点确定为直线点,并且连接直线点以及中心点(轮毂中心点)用于计算转角。由于风机的三个叶片是相同的,转角以每个叶片为参考可以计算出三组转角,目前以其中相对最小的转角作为转角的计算结果,在上述条件下即计算每组由中心点到直线点组成的线段与竖直方向夹角,将绝对值最小的角度确定为当前风机的转角。
综上,本申请提供的风机姿态的智能检测方法能准确地测量风机叶片所在平面,进而得到准确的偏航角和俯仰角,通过空间转换等操作将立体模型转化为图像,在2维空间计算叶片旋转角,为后续的航线规划工作打好基础。
应理解,本文中前述关于本发明的方法所描述的具体特征、操作和细节也可类似地应用于本发明的装置和系统,或者,反之亦然。另外,上文描述的本发明的方法的每个步骤可由本发明的装置或系统的相应部件或单元执行。
应理解,本发明的装置的各个模块/单元可全部或部分地通过软件、硬件、固件或其组合来实现。所述各模块/单元各自可以硬件或固件形式内嵌于计算机设备的处理器中或独立于所述处理器,也可以软件形式存储于计算机设备的存储器中以供处理器调用来执行所述各模块/单元的操作。所述各模块/单元各自可以实现为独立的部件或模块,或者两个或更多个模块/单元可实现为单个部件或模块。
在一个实施例中,提供了一种计算机设备,其包括存储器和处理器,所述存储器上存储有可由处理器执行的计算机指令,所述计算机指令在由所述处理器执行时指示所述处理器执行本发明的实施例的方法的各步骤。该计算机设备可以广义地为服务器、终端,或任何其他具有必要的计算和/或处理能力的电子设备。在一个实施例中,该计算机设备可包括通过系统总线连接的处理器、存储器、网络接口、通信接口等。该计算机设备的处理器可用于提供必要的计算、处理和/或控制能力。该计算机设备的存储器可包括非易失性存储介质和内存储器。该非易失性存储介质中或上可存储有操作系统、计算机程序等。该内存储器可为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口和通信接口可用于与外部的设备通过网络连接和通信。该计算机程序被处理器执行时执行本发明的方法的步骤。
本发明可以实现为一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序在由处理器执行时导致本发明实施例的方法的步骤被执行。在一个实施例中,所述计算机程序被分布在网络耦合的多个计算机设备或处理器上,以使得所述计算机程序由一个或多个计算机设备或处理器以分布式方式存储、访问和执行。单个方法步骤/操作,或者两个或更多个方法步骤/操作,可以由单个计算机设备或处理器或由两个或更多个计算机设备或处理器执行。一个或多个方法步骤/操作可以由一个或多个计算机设备或处理器执行,并且一个或多个其他方法步骤/操作可以由一个或多个其他计算机设备或处理器执行。一个或多个计算机设备或处理器可以执行单个方法步骤/操作,或执行两个或更多个方法步骤/操作。
本领域普通技术人员可以理解,本发明的方法步骤可以通过计算机程序来指示相关的硬件如计算机设备或处理器完成,所述的计算机程序可存储于非暂时性计算机可读存储介质中,该计算机程序被执行时导致本发明的步骤被执行。根据情况,本文中对存储器、存储、数据库或其它介质的任何引用可包括非易失性和/或易失性存储器。非易失性存储器的示例包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)、闪存、磁带、软盘、磁光数据存储装置、光学数据存储装置、硬盘、固态盘等。易失性存储器的示例包括随机存取存储器(RAM)、外部高速缓冲存储器等。
以上描述的各技术特征可以任意地组合。尽管未对这些技术特征的所有可能组合进行描述,但这些技术特征的任何组合都应当被认为由本说明书涵盖,只要这样的组合不存在矛盾。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (7)
1.一种风机姿态的智能检测方法,其特征在于,所述方法包括:
获取到风机叶片点云;
将所述风机叶片点云进行拟合,得到第一叶片投影平面;
将所述第一叶片投影平面的骨架进行平移,并且根据平移后的骨架得到第二叶片投影平面,其中,根据平移后的骨架得到第二叶片投影平面,包括:
将所述第一叶片投影平面的骨架沿所述第一叶片投影平面的法向量正方向平移,直至所述骨架完全脱离所述风机叶片点云;
确定投影到骨架中的风机叶片点云中的目标叶片点云;
将所述目标叶片点云进行拟合,得到第二叶片投影平面;
基于所述第二叶片投影平面得到风机的姿态参数,其中,基于所述第二叶片投影平面得到风机的姿态参数包括:
基于所述第二叶片投影平面的法向量方向得到风机的偏航角以及俯仰角,或者
提取所述第二叶片投影平面的多个叶片的多个子骨架,对每个子骨架进行直线检测,得到每个子骨架上的多条线段,对所述多条线段形成的多条直线采用最小二乘法求解得到风机轮毂中心点的位置,其中,所述轮毂中心点距离多条直线的距离的和最小。
2.根据权利要求1所述的方法,其特征在于,获取到风机叶片点云包括:
获取到风机点云模型,基于所述风机点云模型确定风机塔筒中心点的精确坐标;
基于所述风机塔筒中心点的精确坐标进行风机塔筒分离,从而得到风机叶片点云。
3.根据权利要求2所述的方法,其特征在于,基于所述风机点云模型确定风机塔筒中心点的精确坐标,包括:
将所述风机点云模型进行切分处理,得到多段点云;
根据所述多段点云确定风机塔筒中心点的精确坐标。
4.根据权利要求3所述的方法,其特征在于,根据所述多段点云确定风机塔筒中心点的精确坐标,包括:
将所述多段点云分别投影至平面形成多个平面二值图像;
将所述多个平面二值图像进行累加,形成累加图;
根据输入的风机塔筒最大直径以及最小直径构建卷积核;
通过所述卷积核对所述累加图进行二维卷积运算,得到卷积结果,其中,所述卷积结果中包括多个坐标;
从所述多个坐标中确认所述风机塔筒中心点的精确坐标。
5.根据权利要求2所述的方法,其特征在于,基于所述风机塔筒中心点的精确坐标进行风机塔筒分离,从而得到风机叶片点云,包括:
以所述风机塔筒中心点的精确坐标为中心,输入的风机塔筒的最大直径为边长构建正方形区域;
根据所述正方形区域的横纵坐标范围对所述风机点云模型进行塔筒去除,以得到剩下的点云集合;
根据风机塔筒的方向生成直线将所述剩下的点云集合分成两部分点云;
将两部分点云中点云数量较多的部分点云确定为风机叶片点云。
6.根据权利要求1所述的方法,其特征在于,在得到风机轮毂中心点的位置之后,所述方法包括:
从所述每个子骨架上分别筛选得到距离所述轮毂中心点距离最远的线段的端点,每个子骨架对应于一个端点;
将所述轮毂中心点与每个子骨架的端点分别进行连线,并且从多个连线与风机竖直方向形成的多个夹角中确定风机叶片当前的转角。
7.一种电子设备,包括存储器和处理器,所述存储器上存储有计算机指令,其特征在于,所述计算机指令在由所述处理器执行时导致权利要求1-6中任一项方法被执行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210914722.2A CN115272248B (zh) | 2022-08-01 | 2022-08-01 | 一种风机姿态的智能检测方法以及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210914722.2A CN115272248B (zh) | 2022-08-01 | 2022-08-01 | 一种风机姿态的智能检测方法以及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115272248A CN115272248A (zh) | 2022-11-01 |
CN115272248B true CN115272248B (zh) | 2024-02-13 |
Family
ID=83747565
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210914722.2A Active CN115272248B (zh) | 2022-08-01 | 2022-08-01 | 一种风机姿态的智能检测方法以及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115272248B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116167114B (zh) * | 2023-04-25 | 2023-07-14 | 无锡海纳智能科技有限公司 | 一种风机叶片曲线数据的确定方法、装置以及电子设备 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011051778A1 (en) * | 2009-10-27 | 2011-05-05 | Clipper Windpower, Inc. | System for determining wind turbine blade pitch settings |
CN102536327A (zh) * | 2011-12-07 | 2012-07-04 | 北京航空航天大学 | 一种兼顾气动与结构特征的航空发动机风扇叶片三维几何结构 |
CN108733079A (zh) * | 2018-06-19 | 2018-11-02 | 上海扩博智能技术有限公司 | 通过无人机对风机进行自动巡检飞行路径确定方法及系统 |
CN110863948A (zh) * | 2019-12-03 | 2020-03-06 | 中国船舶重工集团海装风电股份有限公司 | 一种风机控制方法、系统、装置及可读存储介质 |
CN112855442A (zh) * | 2021-01-18 | 2021-05-28 | 华北电力大学(保定) | 一种基于振动和倾角的风机对风优化方法及系统 |
CN112902955A (zh) * | 2021-03-05 | 2021-06-04 | 上海竹格智能传感技术有限公司 | 风机叶片转速传感器和风机叶片姿态测量方法 |
CN112904877A (zh) * | 2021-01-14 | 2021-06-04 | 星闪世图(台州)科技有限公司 | 一种基于无人机的风机叶片自动巡检系统及方法 |
WO2021189468A1 (zh) * | 2020-03-27 | 2021-09-30 | 深圳市速腾聚创科技有限公司 | 激光雷达的姿态校正方法、装置和系统 |
CN113653671A (zh) * | 2021-08-06 | 2021-11-16 | 佛山市南海九洲普惠风机有限公司 | 一种叶轮及一种负压风机 |
CN114241158A (zh) * | 2021-12-20 | 2022-03-25 | 上海复亚智能科技有限公司 | 基于风机点云数据的部件识别方法、装置、设备及介质 |
CN114296483A (zh) * | 2022-03-09 | 2022-04-08 | 北京图知天下科技有限责任公司 | 一种风力发电机不停机状态下的智能巡检方法及电子设备 |
-
2022
- 2022-08-01 CN CN202210914722.2A patent/CN115272248B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011051778A1 (en) * | 2009-10-27 | 2011-05-05 | Clipper Windpower, Inc. | System for determining wind turbine blade pitch settings |
CN102536327A (zh) * | 2011-12-07 | 2012-07-04 | 北京航空航天大学 | 一种兼顾气动与结构特征的航空发动机风扇叶片三维几何结构 |
CN108733079A (zh) * | 2018-06-19 | 2018-11-02 | 上海扩博智能技术有限公司 | 通过无人机对风机进行自动巡检飞行路径确定方法及系统 |
CN110863948A (zh) * | 2019-12-03 | 2020-03-06 | 中国船舶重工集团海装风电股份有限公司 | 一种风机控制方法、系统、装置及可读存储介质 |
WO2021189468A1 (zh) * | 2020-03-27 | 2021-09-30 | 深圳市速腾聚创科技有限公司 | 激光雷达的姿态校正方法、装置和系统 |
CN112904877A (zh) * | 2021-01-14 | 2021-06-04 | 星闪世图(台州)科技有限公司 | 一种基于无人机的风机叶片自动巡检系统及方法 |
CN112855442A (zh) * | 2021-01-18 | 2021-05-28 | 华北电力大学(保定) | 一种基于振动和倾角的风机对风优化方法及系统 |
CN112902955A (zh) * | 2021-03-05 | 2021-06-04 | 上海竹格智能传感技术有限公司 | 风机叶片转速传感器和风机叶片姿态测量方法 |
CN113653671A (zh) * | 2021-08-06 | 2021-11-16 | 佛山市南海九洲普惠风机有限公司 | 一种叶轮及一种负压风机 |
CN114241158A (zh) * | 2021-12-20 | 2022-03-25 | 上海复亚智能科技有限公司 | 基于风机点云数据的部件识别方法、装置、设备及介质 |
CN114296483A (zh) * | 2022-03-09 | 2022-04-08 | 北京图知天下科技有限责任公司 | 一种风力发电机不停机状态下的智能巡检方法及电子设备 |
Non-Patent Citations (1)
Title |
---|
实例分析湍流对风力发电机组偏航系统的影响及优化措施;杨晓涛 等;《第七届中国风电后市场交流合作大会论文集》;第80-86页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115272248A (zh) | 2022-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220028163A1 (en) | Computer Vision Systems and Methods for Detecting and Modeling Features of Structures in Images | |
US20210141378A1 (en) | Imaging method and device, and unmanned aerial vehicle | |
US20220270323A1 (en) | Computer Vision Systems and Methods for Supplying Missing Point Data in Point Clouds Derived from Stereoscopic Image Pairs | |
CN110223380B (zh) | 融合航拍与地面视角图像的场景建模方法、系统、装置 | |
CN111815707A (zh) | 点云确定方法、点云筛选方法、装置、计算机设备 | |
CN115272248B (zh) | 一种风机姿态的智能检测方法以及电子设备 | |
US20220309708A1 (en) | System and method for automated estimation of 3d orientation of a physical asset | |
AU2020375559B2 (en) | Systems and methods for generating annotations of structured, static objects in aerial imagery using geometric transfer learning and probabilistic localization | |
KR102159134B1 (ko) | 무인비행기를 이용한 비측량용 실시간 고해상도 정사지도 생성 방법 및 비측량용 실시간 고해상도 정사지도 생성 장치 | |
CN111712687B (zh) | 航测方法、飞行器及存储介质 | |
CN112154394A (zh) | 地形检测方法、可移动平台、控制设备、系统及存储介质 | |
CN108332721B (zh) | 航空影像并行空三与递归式融合方法 | |
CN113034347A (zh) | 倾斜摄影图像处理方法、装置、处理设备及存储介质 | |
CN113415433A (zh) | 基于三维场景模型的吊舱姿态修正方法、装置和无人机 | |
CN111758118A (zh) | 一种视觉定位方法、装置、设备及可读存储介质 | |
CN113790711B (zh) | 一种无人机低空飞行位姿无控多视测量方法及存储介质 | |
CN115984516A (zh) | 基于slam算法的增强现实方法及相关设备 | |
US10447992B1 (en) | Image processing method and system | |
CN110940318A (zh) | 航空遥感实时成像方法、电子设备以及存储介质 | |
JP7457844B2 (ja) | 情報処理装置及び方法 | |
CN116167114B (zh) | 一种风机叶片曲线数据的确定方法、装置以及电子设备 | |
US20240127475A1 (en) | Information processing apparatus, information processing method, and program | |
US20220222909A1 (en) | Systems and Methods for Adjusting Model Locations and Scales Using Point Clouds | |
CN116580152A (zh) | 一种大分辨率倾斜摄影图像的三维建模方法及装置 | |
CN114677600A (zh) | 违建检测方法、违建检测系统、计算机设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |